論文の概要: Q-GNN: Query-Conditioned Graph Neural Networks with Type Awareness for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2606.05639v1
• Date: Thu, 04 Jun 2026 03:07:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.514229
• Title: Q-GNN: Query-Conditioned Graph Neural Networks with Type Awareness for Knowledge Graph Completion
• Title（参考訳）: Q-GNN: 知識グラフ補完のための型認識型クエリ記述型グラフニューラルネットワーク
• Authors: Dongxiao He, Ruqiong Zhang, Zhizhi Yu, Ling Ding, Di Jin, Guangquan Xu, Zhiyong Feng,
• Abstract要約: Knowledge Graph Completionは、不足している三つ子を不完全な知識グラフから予測することを目的としている。 最近のグラフニューラルネットワーク(GNN)に基づく手法は,クエリ中心のローカルサブグラフ上でメッセージパッシングを行うことで,大きな成功を収めている。
• 参考スコア（独自算出の注目度）: 38.265175718191735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph Completion (KGC) aims at predicting missing triplets from incomplete knowledge graphs, which is crucial for downstream applications. Recently, Graph Neural Network (GNN)-based methods have achieved remarkable success by performing message passing over query-centered local subgraphs. However, in practice, a query is jointly defined by both the entity and the relation, with both carrying information indispensable for reasoning, yet these methods rely solely on the query relation as the guiding signal, while the information inherent in the query entity is not leveraged to guide inference - the entity serves merely as a structural anchor for subgraph extraction. To this end, we incorporate query entity information into the reasoning process from two perspectives: the first is structural context, i.e., the neighboring structure and relation patterns around the entity, which is encoded by a dedicated context encoder and used to modulate messages; the second is semantic type of the entity, inferred by a large language model, which is incorporated into attention computation and final scoring to provide type-level prior constraints. Together, these two sources of information enable the reasoning process to be guided by both the query relation and the query entity. Experimental results on standard benchmarks demonstrate the effectiveness of the proposed Q-GNN.
• Abstract（参考訳）: 知識グラフ補完(KGC)は、下流アプリケーションにとって重要な、不完全な知識グラフから欠落した三つ子を予測することを目的としている。 近年、グラフニューラルネットワーク(GNN)に基づく手法は、クエリ中心のローカルサブグラフ上でメッセージパッシングを行うことで、目覚ましい成功を収めている。 しかし、実際には、クエリはエンティティとリレーションの両方によって共同で定義され、どちらも推論に欠かせない情報を運ぶが、これらのメソッドはクエリ関係をガイド信号としてのみ依存し、クエリエンティティに固有の情報は推論をガイドするために利用されない。 この目的のために、クエリエンティティ情報を2つの視点から推論プロセスに組み込む: ひとつは構造的コンテキスト、すなわち、専用のコンテキストエンコーダによって符号化され、メッセージの変調に使用されるエンティティの周辺構造と関係パターン、もうひとつは、注意計算と最終スコアに組み込まれて、タイプレベルの事前制約を提供するエンティティのセマンティックタイプである。 これら2つの情報ソースは、問合せ関係と問合せエンティティの両方によって推論プロセスのガイドを可能にする。 標準ベンチマーク実験の結果,提案したQ-GNNの有効性が示された。

関連論文リスト

• KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning [51.44698654440413]
  知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。 そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。 57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:19Z)
• Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
  本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
  論文  参考訳（メタデータ） (2025-07-10T09:54:37Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Cardinality Estimation over Knowledge Graphs with Embeddings and Graph Neural Networks [0.552480439325792]
  KG(Cardinality Estimation over Knowledge Graphs)は、クエリ最適化において重要である。 本稿では,知識グラフ埋め込みとグラフニューラルネットワーク(GNN)を活用して,結合クエリの濃度を正確に予測する新しい手法であるGNCEを提案する。
  論文  参考訳（メタデータ） (2023-03-02T10:39:13Z)
• Modeling Global Semantics for Question Answering over Knowledge Bases [16.341353183347664]
  KBQAにおける意味解析のための関係グラフ畳み込みネットワーク(RGCN)モデルgRGCNを提案する。 ベンチマークで評価した結果,本モデルは市販モデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-01-05T13:51:14Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。